Faktorenanalyse und Strukturgleichungsmodellierung sind wichtige sozialwissenschaftliche Verfahren, mit denen die Beziehungen zwischen latenten ("verborgenen") und direkt beobachtbaren Variablen beschrieben werden können. Die Vorlesungsfolien vermitteln Grundlagen der Verfahren und geben einen ersten Einblick in die Anwendungsmöglichkeiten. Mehr Informationen zum Strukturgleichungsmodell gibt es hier: http://www.kai-arzheimer.com/strukturgleichungsmodelle-fuer-politikwissenschaftler
3. Einführung
Grundlagen
Zwischenfazit
Was ist ein „Faktor“?
„Faktor“ oder „latente Variable“
Common factor(s) = Gemeinsamkeit(en) zwischen
verschiedenen Variablen
D.h. nicht direkt beobachtbare Größe
Die beobachtbare Variablen („Indikatoren“) beeinflußt
Typische Beispiele: Einstellungen, Persönlichkeitsmerkmale
Grundidee: Muster in beobachteten Korrelationsmatrizen
erklären
Psychologische Intelligenzforschung
VL Forschungsmethoden SEM I (2/14)
5. Einführung
Grundlagen
Zwischenfazit
Grundidee der (explorativen) Faktorenanalyse
Konstruiere eine oder mehrere (wenige) „künstliche“ Variablen
die Ausgangsmatrix „erklären“ können
Jede gemessene Variable sollte hoch mit einem Faktor
korrelieren
Korrelation mit Faktor: „erklärte“ Varianz
Rest: „Störvarianz“
Regression der Ausgangsvariablen auf Faktoren
Varianten:
Wie werden Faktoren konstruiert?
Wieviele Faktoren werden extrahiert?
Können Faktoren untereinander korrelieren?
Explorativ ≈ atheoretisch
VL Forschungsmethoden SEM I (4/14)
7. Einführung
Grundlagen
Zwischenfazit
Warum kann explorative Faktorenanalyse problematisch
sein?
„factor analysis: it’s what the data get into when theory goes on
holiday“
Bezieht sich auf explorative (= böse?) Faktorenanalyse
Standardprozedur („little jiffy“); Extraktion von
Hauptkomponenten, Kaiserkriterium, VARIMAX
Findet oft vorhandene Strukturen nicht („Tom Swift’s Electric
Factor Analysis Machine“)
Findet Strukturen, die gar nicht vorhanden sind?
Konfirmatorische Faktorenanalyse: Prüfung, ob theoretisch
sinnvolle Strukturen mit den Daten vereinbar sind
Meßmodelle, Erweiterung möglich („LISREL“-Modell)
VL Forschungsmethoden SEM I (6/14)
9. Einführung
Grundlagen
Zwischenfazit
Was gehört zur Spezfikation?
1. Zahl der gemeinsamen Faktoren
2. Zahl der beobachteten Variablen
3. Varianzen/Kovarianzen der gemeinsamen Faktoren
4. Beziehungen zwischen gemeinsamen Faktoren und
beobachteten Variablen
5. Beziehungen zwischen beobachteten Variablen und
spezifischen Faktoren
6. Varianzen/Kovarianzen der spezifischen Faktoren (Meßfehler)
VL Forschungsmethoden SEM I (8/14)
10. Einführung
Grundlagen
Zwischenfazit
Was gehört zur Spezfikation?
1. Zahl der gemeinsamen Faktoren
2. Zahl der beobachteten Variablen
3. Varianzen/Kovarianzen der gemeinsamen Faktoren
4. Beziehungen zwischen gemeinsamen Faktoren und
beobachteten Variablen
5. Beziehungen zwischen beobachteten Variablen und
spezifischen Faktoren
6. Varianzen/Kovarianzen der spezifischen Faktoren (Meßfehler)
Spezfikation ursprünglich durch eine Reihe von Matrizen
VL Forschungsmethoden SEM I (8/14)
11. Einführung
Grundlagen
Zwischenfazit
Was gehört zur Spezfikation?
1. Zahl der gemeinsamen Faktoren
2. Zahl der beobachteten Variablen
3. Varianzen/Kovarianzen der gemeinsamen Faktoren
4. Beziehungen zwischen gemeinsamen Faktoren und
beobachteten Variablen
5. Beziehungen zwischen beobachteten Variablen und
spezifischen Faktoren
6. Varianzen/Kovarianzen der spezifischen Faktoren (Meßfehler)
Spezfikation ursprünglich durch eine Reihe von Matrizen
Heute
Einfache Gleichungen oder graphische Eingabe
(Normalerweise) vernünftige Voreinstellungen
VL Forschungsmethoden SEM I (8/14)
12. Einführung
Grundlagen
Zwischenfazit
Wie sieht die Terminologie aus?
Primär interessant: Beziehungen zwischen gemeinsamen
Faktoren und beobachteten Variablen
Werden mit λ bezeichnet
Z. B. x2 = λ21ξ1 + δ2
λ21 gibt an, wie sich x2 verändert, wenn Faktor um eins
zunimmt
Analog zu y = β0 + β1x1 +
VL Forschungsmethoden SEM I (9/14)
13. Einführung
Grundlagen
Zwischenfazit
Wie sieht die Terminologie aus?
Primär interessant: Beziehungen zwischen gemeinsamen
Faktoren und beobachteten Variablen
Werden mit λ bezeichnet
Z. B. x2 = λ21ξ1 + δ2
λ21 gibt an, wie sich x2 verändert, wenn Faktor um eins
zunimmt
Analog zu y = β0 + β1x1 +
Alle (latente und manifeste) Variablen sind zentriert →
Mittelwert von null, kein Achsenabschnitt notwendig
VL Forschungsmethoden SEM I (9/14)
14. Einführung
Grundlagen
Zwischenfazit
Wie sieht die Terminologie aus?
Kovarianzen zwischen gemeinsamen Faktoren möglich, z. B.
φ12
Kovarianzen zwischen spezifischen Fehlervarianzen möglich
z. B. θ24
Unterschied zu explorativer Analyse?
VL Forschungsmethoden SEM I (10/14)
15. Einführung
Grundlagen
Zwischenfazit
Noch mehr Terminologie?
Matrix Dimension Mittelwert Kovarianz Dimension Bedeutung
ξ (s × 1) 0 Φ = E(ξξ ) (s × s) Gemeinsame
Faktoren
x (q × 1) 0 Σ = E(xx ) (q × q) beobachtete
Variablen
Λ (q × s) Faktorladungen
δ (q × 1) 0 Θ = E(δδ ) (q × q) Meßfehler
Faktor-Gleichung: x = Λξ + δ
VL Forschungsmethoden SEM I (11/14)
16. Einführung
Grundlagen
Zwischenfazit
Noch mehr Terminologie?
Matrix Dimension Mittelwert Kovarianz Dimension Bedeutung
ξ (s × 1) 0 Φ = E(ξξ ) (s × s) Gemeinsame
Faktoren
x (q × 1) 0 Σ = E(xx ) (q × q) beobachtete
Variablen
Λ (q × s) Faktorladungen
δ (q × 1) 0 Θ = E(δδ ) (q × q) Meßfehler
Faktor-Gleichung: x = Λξ + δ
Kovarianz-Gleichung: Σ = ΛΦΛ + Θ
VL Forschungsmethoden SEM I (11/14)
17. Einführung
Grundlagen
Zwischenfazit
Noch mehr Terminologie?
Matrix Dimension Mittelwert Kovarianz Dimension Bedeutung
ξ (s × 1) 0 Φ = E(ξξ ) (s × s) Gemeinsame
Faktoren
x (q × 1) 0 Σ = E(xx ) (q × q) beobachtete
Variablen
Λ (q × s) Faktorladungen
δ (q × 1) 0 Θ = E(δδ ) (q × q) Meßfehler
Faktor-Gleichung: x = Λξ + δ
Kovarianz-Gleichung: Σ = ΛΦΛ + Θ
Annahmen:
VL Forschungsmethoden SEM I (11/14)
18. Einführung
Grundlagen
Zwischenfazit
Noch mehr Terminologie?
Matrix Dimension Mittelwert Kovarianz Dimension Bedeutung
ξ (s × 1) 0 Φ = E(ξξ ) (s × s) Gemeinsame
Faktoren
x (q × 1) 0 Σ = E(xx ) (q × q) beobachtete
Variablen
Λ (q × s) Faktorladungen
δ (q × 1) 0 Θ = E(δδ ) (q × q) Meßfehler
Faktor-Gleichung: x = Λξ + δ
Kovarianz-Gleichung: Σ = ΛΦΛ + Θ
Annahmen:
Variablen sind zentriert: E(ξ) = E(x) = E(δ) = 0
VL Forschungsmethoden SEM I (11/14)
19. Einführung
Grundlagen
Zwischenfazit
Noch mehr Terminologie?
Matrix Dimension Mittelwert Kovarianz Dimension Bedeutung
ξ (s × 1) 0 Φ = E(ξξ ) (s × s) Gemeinsame
Faktoren
x (q × 1) 0 Σ = E(xx ) (q × q) beobachtete
Variablen
Λ (q × s) Faktorladungen
δ (q × 1) 0 Θ = E(δδ ) (q × q) Meßfehler
Faktor-Gleichung: x = Λξ + δ
Kovarianz-Gleichung: Σ = ΛΦΛ + Θ
Annahmen:
Variablen sind zentriert: E(ξ) = E(x) = E(δ) = 0
q: Zahl der beobachteten Variablen; s: Zahl der gemeinsamen
Faktoren; q > s
VL Forschungsmethoden SEM I (11/14)
20. Einführung
Grundlagen
Zwischenfazit
Noch mehr Terminologie?
Matrix Dimension Mittelwert Kovarianz Dimension Bedeutung
ξ (s × 1) 0 Φ = E(ξξ ) (s × s) Gemeinsame
Faktoren
x (q × 1) 0 Σ = E(xx ) (q × q) beobachtete
Variablen
Λ (q × s) Faktorladungen
δ (q × 1) 0 Θ = E(δδ ) (q × q) Meßfehler
Faktor-Gleichung: x = Λξ + δ
Kovarianz-Gleichung: Σ = ΛΦΛ + Θ
Annahmen:
Variablen sind zentriert: E(ξ) = E(x) = E(δ) = 0
q: Zahl der beobachteten Variablen; s: Zahl der gemeinsamen
Faktoren; q > s
Keine Korrelation zwischen Faktoren/Fehlervarianzen:
E(ξδ ) = 0
VL Forschungsmethoden SEM I (11/14)
21. Einführung
Grundlagen
Zwischenfazit
Was macht man nun damit?
Mit diesen sieben Matrizen/Vektoren kann das ganze Modell
vollständig beschrieben werden
Pfeile in graphischer Darstellung entsprechen Bedingungen
(constraints) in Matrizen
Für Items, die nicht auf einen Faktor laden, wird entsprechende
Zelle in Λ auf null gesetzt
Keine Kovarianz zwischen gemeinsamen Faktoren:
(Redundante) Elemente in Φ auf null
Keine korrelierten Meßfehler: Alle Elemente außerhalb
Diagonale in Θ auf null
VL Forschungsmethoden SEM I (12/14)
22. Einführung
Grundlagen
Zwischenfazit
Wie kommt man zu den Schätzungen?
Konfirmatorische Faktorenanalyse geht immer von
Varianz-Kovarianz-Matrix aus
Originaldaten werden nicht benötigt
Schlüssel ist die Kovarianz-Gleichung, die sich auf die
Grundgesamtheit bezieht
Gestattet Zerlegung der Kovarianzen in Werte für Pfade
(Λ, Φ, Θ)
Beobachtete Kovarianzen S als Schätzung für Σ
Schätzung setzt Identifikation voraus
Identifikation notwendige, aber nicht hinreichende Bedingung
für gültige Schätzung
VL Forschungsmethoden SEM I (13/14)
23. Einführung
Grundlagen
Zwischenfazit
Zusammenfassung für heute
Faktorenanalyse mächtiges Verfahren, Vielzahl von
Möglichkeiten
Besonders adäquat für sozialwissenschaftliche Daten
Explorative Analyse explorativ (und unzuverlässig)
Konfirmatorische Analyse besonders adäquat für
sozialwissenschaftliche Theorien
Meßfehler
Latente Variablen
Modellierung (kleiner) Systeme
VL Forschungsmethoden SEM I (14/14)
25. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Outline
Fortsetzung Einführung
Anwendungen
(Likert)-Skalierung
Komplexe Modelle
Software
Beispiel: Einstellungen zu Migranten
Fazit
Karl G. Joreskog
VL Forschungsmethoden SEM II (1/23)
26. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Was ist Identifikation?
Identifikation ist Eigenschaft des Modells
Modell identifiziert: Es gibt genau eine Lösung für
Gleichungssystem
Modell nicht identifiziert: Es existieren mehrere (oft unendlich
viele) gleichwertige Lösungen
(Notwendig, nicht hinreichend): Zahl der zu schätzenden
Parameter kleiner als Zahl der unabhängigen Informationen
Woher weiß ich, daß Modell identifiziert ist?
VL Forschungsmethoden SEM II (2/23)
27. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Was ist Identifikation?
Identifikation ist Eigenschaft des Modells
Modell identifiziert: Es gibt genau eine Lösung für
Gleichungssystem
Modell nicht identifiziert: Es existieren mehrere (oft unendlich
viele) gleichwertige Lösungen
(Notwendig, nicht hinreichend): Zahl der zu schätzenden
Parameter kleiner als Zahl der unabhängigen Informationen
Voraussetzungen/constraints
1. Nicht alle Items können auf alle Faktoren laden → theoretische
Überlegungen
2. Die Metrik der gemeinsamen Faktoren muß festgelegt werden
Woher weiß ich, daß Modell identifiziert ist?
VL Forschungsmethoden SEM II (2/23)
28. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Warum ist die Skalierung der Faktoren wichtig?
Große Varianz des Faktors/niedrige Faktorladung und kleine
Varianz/hohe Faktorladung im Muster der Kovarianzen nicht
zu unterscheiden
VL Forschungsmethoden SEM II (3/23)
29. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Warum ist die Skalierung der Faktoren wichtig?
Große Varianz des Faktors/niedrige Faktorladung und kleine
Varianz/hohe Faktorladung im Muster der Kovarianzen nicht
zu unterscheiden
Varianz des Faktors empirisch nicht zu bestimmen (latente
Variable)
VL Forschungsmethoden SEM II (3/23)
30. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Warum ist die Skalierung der Faktoren wichtig?
Große Varianz des Faktors/niedrige Faktorladung und kleine
Varianz/hohe Faktorladung im Muster der Kovarianzen nicht
zu unterscheiden
Varianz des Faktors empirisch nicht zu bestimmen (latente
Variable)
Willkürliche Festlegung (das ist kein Problem)
VL Forschungsmethoden SEM II (3/23)
31. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Wie kann die Metrik eines Faktors festgelegt werden?
1. Die Ladung eines Items auf den Faktor wird auf eins gesetzt
Faktor hat gleiche Metrik wie betreffendes Item
Varianz des Faktors wird geschätzt
VL Forschungsmethoden SEM II (4/23)
32. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Wie kann die Metrik eines Faktors festgelegt werden?
1. Die Ladung eines Items auf den Faktor wird auf eins gesetzt
Faktor hat gleiche Metrik wie betreffendes Item
Varianz des Faktors wird geschätzt
2. Die Varianz des Faktors wird auf eins gesetzt
Alle Faktorladungen werden geschätzt
Faktor ist dimensionslose vollstandardisierte Variable
Kovarianzen zwischen solchen Faktoren sind Korrelationen
VL Forschungsmethoden SEM II (4/23)
33. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Wie werden die Parameter nun geschätzt?
Iterative Verfahren (u. a. GLS, ML, WLS)
Für Λ, Φ, Θ Startwerte annehmen → implizieren eine
Varianz-Kovarianz-Matrix Σ∗
„Differenz“ (fitting function) zwischen Σ∗
und S minimieren
Verschiedene fitting functions für verschiedene (asymptotisch
äquivalente) Verfahren
Multivariate Normalverteilung der x-Variablen wird
vorausgesetzt → Verletzungen, Asymptotik?
Tests für Koeffizienten/Pfade: Wald oder LR,
Lagrange-Multiplier
Heywood Cases
VL Forschungsmethoden SEM II (5/23)
34. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Modelfit
Wie gut passen Modellschätzungen zu den Daten?
Traditionell: Test auf Basis eines χ2-Wertes
Wie wahrscheinlich sind Abweichungen zwischen wahrer (Σ)
und vom Modell implizierter Kovarianzmatrix (Σ(Θ)) . . .
. . . wenn Modell in GG so zutrifft?
(Da Σ nicht bekannt, S als Schätzung)
Probleme?
VL Forschungsmethoden SEM II (6/23)
35. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Modelfit
Wie gut passen Modellschätzungen zu den Daten?
Traditionell: Test auf Basis eines χ2-Wertes
Wie wahrscheinlich sind Abweichungen zwischen wahrer (Σ)
und vom Modell implizierter Kovarianzmatrix (Σ(Θ)) . . .
. . . wenn Modell in GG so zutrifft?
(Da Σ nicht bekannt, S als Schätzung)
Probleme?
Annahme Σ = S unrealistisch
Annahme perfekte Reproduktion (Nullhypothese) unrealistisch
Signifikanztests und Fallzahlen
VL Forschungsmethoden SEM II (6/23)
36. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Modelfit
Wie gut passen Modellschätzungen zu den Daten?
Traditionell: Test auf Basis eines χ2-Wertes
Wie wahrscheinlich sind Abweichungen zwischen wahrer (Σ)
und vom Modell implizierter Kovarianzmatrix (Σ(Θ)) . . .
. . . wenn Modell in GG so zutrifft?
(Da Σ nicht bekannt, S als Schätzung)
Probleme?
Annahme Σ = S unrealistisch
Annahme perfekte Reproduktion (Nullhypothese) unrealistisch
Signifikanztests und Fallzahlen
Vielzahl von Anpassungsindizes („shot gun approach“)
VL Forschungsmethoden SEM II (6/23)
37. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Modelfit
Wie gut passen Modellschätzungen zu den Daten?
Traditionell: Test auf Basis eines χ2-Wertes
Wie wahrscheinlich sind Abweichungen zwischen wahrer (Σ)
und vom Modell implizierter Kovarianzmatrix (Σ(Θ)) . . .
. . . wenn Modell in GG so zutrifft?
(Da Σ nicht bekannt, S als Schätzung)
Probleme?
Annahme Σ = S unrealistisch
Annahme perfekte Reproduktion (Nullhypothese) unrealistisch
Signifikanztests und Fallzahlen
Vielzahl von Anpassungsindizes („shot gun approach“)
Momentan populär: RMSEA
Weniger abhängig von Stichprobenumfang
Relativiert Abweichungen an der Zahl der Freiheitsgrade →
Strafe für overfitting
Geht nicht von perfekter Anpassung aus; Konfidenzintervall
VL Forschungsmethoden SEM II (6/23)
38. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
(Likert)-Skalierung
Komplexe Modelle
Software
Reliabilität und Dimensionalität
Reliabilität: Zuverlässigkeit, Konsistenz einer Messung
Skala: Instrument mit mehreren äquivalenten
Einzelindikatoren
Interne Konsistenz: Korrelation der Indikatoren untereinander
Einfache SEM (konfirmatorische Faktorenanalyse) viele
Probleme der Skalierung
Konsistenz und schwache Items
Eine oder mehrere Dimensionen
Meßfehlerbereinigte Korrelation zwischen Konstrukten
Stabilität von (wahren) Meßwerten über die Zeit
VL Forschungsmethoden SEM II (7/23)
39. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
(Likert)-Skalierung
Komplexe Modelle
Software
Gruppenvergleiche und interkulturelle Einstellungsforschung
SEM ermöglicht systematischen Vergleich von Gruppen (z. B.
Test von Gleichheitsrestriktionen)
Funktionieren Instrumente in verschiedenen Ländern in gleicher
Weise (z. B. ESS, ISSP); bspw. verschiedene
Indikatoren/Aspekte von Nationalismus/Patriotismus (Davidov
2009)
Definitionen von Äquivalenz
1. Configural Invariance: Indikatoren laden überall auf selbe
Faktoren (gleiche Grafik)
2. Metric Invariance: Faktorladungen in allen Ländern gleich
(mittleres Niveau kann sich trotzdem unterscheiden)
3. Scalar Invariance: Zusätzlich Achsenabschnitte der Indikatoren
über Länder identisch → Absolute Werte von
Indikatoren/Faktoren vergleichbar, Fehlervarianzen können sich
unterscheiden
VL Forschungsmethoden SEM II (8/23)
40. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
(Likert)-Skalierung
Komplexe Modelle
Software
Komplexes Beispiel: Arzheimer/Carter 2009
Komplexe SEM bilden Systeme von Hypothesen ab
Z. B. Arzheimer/Carter 2009: Negative Einstellungen zu
Migranten, Religiosität, Parteiidentifikation und Rechtswahl
In verschiedenen europäischen Ländern (mehrere Gruppen)
VL Forschungsmethoden SEM II (9/23)
42. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
(Likert)-Skalierung
Komplexe Modelle
Software
LISREL
Für viele Synonym für Strukturgleichungsmodelle
Lange Zeit unzugänglich wg Syntax
Seit 90er Jahre graphische Oberfläche und vereinfachte Syntax
(SIMPLIS)
Zahlreiche neue Erweiterungen
Test- und Studierendenversionen hier:
http://www.ssicentral.com/lisrel/
VL Forschungsmethoden SEM II (11/23)
43. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
(Likert)-Skalierung
Komplexe Modelle
Software
EQS
Peter Bentler
Kleine Unterschiede im Modell, äquivalent zu LISREL
In Deutschland wenig verbreitet
Entwicklung seit Jahren stockend
http://www.mvsoft.com/eqs60.htm
VL Forschungsmethoden SEM II (12/23)
44. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
(Likert)-Skalierung
Komplexe Modelle
Software
AMOS
James Arbuckle
Technische Besonderheiten und graphische Oberfläche (ca.
1988)
Später Modul für SPSS
Inzwischen Übernahme durch IBM
http://www.amosdevelopment.com/ und
http://www-01.ibm.com/software/analytics/spss/
products/statistics/amos/
VL Forschungsmethoden SEM II (13/23)
45. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
(Likert)-Skalierung
Komplexe Modelle
Software
MPlus
Bengt Muthén
Strukturgleichungsmodelle als Spezialfall eines generelleren
Modells
Transparente Behandlung von kategorialen Variablen
(Indikatoren und Faktoren)
Relativ altmodische Oberfläche, aber sehr schnell und
leistungsfähig
http://www.statmodel.com/demo.shtml
VL Forschungsmethoden SEM II (14/23)
46. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
(Likert)-Skalierung
Komplexe Modelle
Software
Weitere
Mehrere Implementationen in R (unter anderem lavaan,
http://lavaan.ugent.be/ und OpenMx,
http://openmx.psyc.virginia.edu/)
SmartPLS, http://www.smartpls.de/forum/
Ox (nur für hardcore user, http://www.doornik.com/ox/)
Sehr gute Implementation ab Stata 12
VL Forschungsmethoden SEM II (15/23)
47. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Dimensionalität
Theorie: Unterscheidung zwischen kulturellen und
ökonomischen Bedrohungsgefühlen
Aber: Findet sich das so in der Realität? → Forschungsfrage
Kann zum Beispiel mit ESS 1 untersucht werden
VL Forschungsmethoden SEM II (16/23)
48. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Indikatoren
1. „Was würden Sie sagen, nehmen Zuwanderer, die hierher kommen, im
Allgemeinen Arbeitnehmern in Deutschland die Arbeitsplätze weg oder helfen sie
im Allgemeinen, neue Arbeitsplätze zu schaffen?“ (nehmen Arbeitsplätze weg
(10) – schaffen neue Arbeitsplätze (0), imtcjob)
2. „Die meisten Zuwanderer, die hierher kommen, arbeiten und zahlen Steuern. Sie
nehmen außerdem das Gesundheitssystem und Sozialleistungen in Anspruch.
Wenn Sie abwägen, denken Sie, dass Zuwanderer mehr bekommen als sie geben,
oder mehr geben, als sie bekommen?“ (bekommen mehr (10) – geben mehr (0)
imbleco)
3. „Würden Sie sagen, dass das kulturelle Leben in Deutschland im Allgemeinen
durch Zuwanderer untergraben oder bereichert wird?“ (untergraben (10) –
bereichert (0) imueclt)
4. „Wird Deutschland durch Zuwanderer zu einem schlechteren oder besseren Ort
zum Leben?“ (schlechterer Ort (10) – besserer Ort (0) imwbcnt)
VL Forschungsmethoden SEM II (17/23)
53. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Modellvergleich
Anpassungsmaße ein Faktor zwei Faktoren
Parameter 12 13
dfM 2 1
χ2
M 63.9 12.8
RMSEA .137 .0843
TLI .897 .961
BIC 26842 26799
LL -13377 -13351
N 1659 1659
VL Forschungsmethoden SEM II (22/23)
54. Fortsetzung Einführung
Anwendungen
Beispiel: Einstellungen zu Migranten
Fazit
Zusammenfassung
SEM: Extrem mächtiges Verfahren (mit diversen Fallstricken)
Kein Wundermittel
Aber ausgezeichnetes Werkzeug zur Bearbeitung vieler
sozialwissenschaftlicher Fragen
VL Forschungsmethoden SEM II (23/23)